[发明专利]基于离散余弦变换的深度神经网络磁共振信号消噪方法

说明书

本发明属于核磁共振数据处理领域，具体涉及一种基于离散余弦变换的深度神经网络磁共振信号消噪方法，首先采用离散余弦变换对含噪信号和仿真信号进行变换作为深度神经网络的输入和理想出，然后采用无监督学习的方式对深度神经网络进行逐层贪婪预训练，实现网络权值初始化，再利用误差反向传播法微调全局参数，最后将测试集输入训练好的深度神经网络，对网络输出反归一化后作逆离散余弦变换，得到消噪后的核磁共振信号。该方法能够实现由含噪信号到干净信号的非线性映射，对核磁共振信号中所有类型的噪声实现“一次性”消除；能够适应各种复杂多变的探测环境和噪声干扰，显著提高信噪比，提高后续反演解释提取参数的准确性；且离散余弦变换和受限玻尔兹曼机预训练的引入，极大地缩短了深度神经网络的训练时间，提高了深度神经网络的训练效率，使深度神经网络消除核磁共振噪声方法具有实用性。

技术领域

本发明属于核磁共振数据处理领域，具体涉及一种基于离散余弦变换的深度神经网络磁共振信号消噪方法。

背景技术

核磁共振地下水探测方法(Magnetic Resonance Sounding，MRS)作为一种能够定性定量探测地下水的地球物理方法，近年来从理论研究到仪器研制，得到了快速的发展。但是由于MRS信号极其微弱，导致高灵敏度的仪器受周围环境中噪声干扰严重，不能准确提取MRS信号，制约了MRS方法的广泛应用。影响MRS信号质量的噪声主要有尖峰噪声、工频噪声和随机噪声三类。目前国际上主要采用的MRS信号消噪方法是针对不同类型的噪声分别进行消除，其流程为1)去尖峰噪声；2)去工频噪声；3)平均叠加去随机噪声(AhmadA.Behroozmand,Kristina Keating,Esben Auken.A Review of the Principles andApplications of the NMR Technique for Near-Surface Characterization.Surveysin Geophysics,2015(36):27–85)，过程复杂且需要具有核磁共振专业领域知识的人进行操作。

发明内容

本发明所要解决的技术问题在于提供一种基于离散余弦变换的深度神经网络磁共振信号消噪方法，解决现有消噪方法中过程复杂的问题，对核磁共振信号中所有类型的噪声实现“一次性”消除。

本发明是这样实现的，

一种基于离散余弦变换的深度神经网络磁共振信号消噪方法，该方法包括：

步骤A、在仿真核磁共振信号E(t)中加入空采核磁共振噪声，作离散余弦变换(Discrete Cosine Transform，DCT)，获得神经网络的训练样本集X＝[X₁,X₂,...,X_M]和测试数据集T＝[T₁,T₂,...,T_N]；

步骤B、对训练样本集和测试数据集作均值归一化处理得到和

步骤C、设置深度神经网络结构(Deep Nueral Network，DNN)，以受限玻尔兹曼机(Restricted Boltzmann Machine，RBM)训练方式并将归一化处理后的训练样本集作为可见向量输入到RBM中，对DNN进行预训练，得到DNN的初始化网络权值和偏置向量；

步骤D、利用反向传播算法，将原训练数据集与RBM训练输出的类标签组成新的训练集作为DNN的输入，对仿真核磁共振信号E(t)作DCT变换和均值归一化，作为DNN的理想输出Y，将步骤C中训练得到的网络权值和偏置向量作为DNN的初始化参数，有监督地对DNN进行全局训练，微调DNN网络权值参数；

步骤E、将测试数据集输入训练完毕的DNN，对DNN输出反归一化后，作离散余弦反变换，得到消噪后的核磁共振时域信号。

进一步地，所述步骤A包括以下步骤：